LAPJV算法详解（ed

Sparse Direction

已于 2022-04-11 21:15:46 修改

阅读量5.2k

点赞数 8

文章标签：算法机器学习 css

于 2021-09-14 22:15:02 首次发布

本文链接：https://blog.csdn.net/qq_42691741/article/details/120292553

版权

Step1：Column Reduction 列约化

（这个代码是有问题的，它是来自于Jonker-Volgenant论文里面Pascal语言代码）

逆序获得每列的最小值，储存在v数组中，初始u数组全部置0。x、y数组分别储存的是已分配的行列。比如：第四列最小值5，位置是（2,4），所以x矩阵第二个储存4，y矩阵第四个储存x，即x[2]=4，y[4]=2。如此逐一匹配 $x_{24},x_{33},x_{42},x_{21}$ ，又因为第一列的最小值位置重复出现在第二行，所以导致第四列匹配 $x_{24}$ 作废，所以只剩下 $x_{33},x_{42},x_{21}$ 位置被指派。（~~其实按照Jonker-Volgenant原文的理解，指派的位置应该还是 $x_{24},x_{33},x_{42}$ ，虽然这里 $x$ 并不是很重要~~。-updated 2022/4/11这句个人理解有可能是错的，读者自己去理解一下）

此时：x=[0 1 3 2]，y=[2 4 3 0]。

总结，此操作主要是：尽量给每列都指派给最小行元素，某些行可能未分配。

Step2:Reduction Transfer 约化转移

从未指派行中到指派行进行转移。

指派的行有2、3、4行。比如在第二行时，i=2， $j_1=x_2=1$ ，μ=min（除去该行指派的列之外该行c和对应的v之差）（就是指除去0以外最小的差值）， $v_1=v_1-(\mu-u_i)=2-(0-0)=2$ ， $u_2=\mu=0$ （图中有误），再比如在第三行 $j_1=x_3=3$ ，μ=4， $v_3=v_3-(\mu-u_i)=3-(4-0)=-1$

Step3 Augment Reduction of Unassigned Row 未指派行约化增广（含拍卖思想）

从未指派的行（第一行）开始，选择更新后的μ（除去该行指派的列之外该行c和对应的v之差，此时初始无指派行，所以不需要排除 $j_1$ ）的最小值，选出最小值后对应的 $j_1$ 也确定了；在除去 $j_1$ 后更新最小值，第一次最小值记为 $k_1$ ，第二次记为 $k_2$ 。例子中 $k_1=1,j_1=2;k_2=2,j_2=4$ 。